Convergent sans être sans biais, et l'inverse
Exercice d'entraînement · niveau 3 (difficile) · mathématiques approfondies (ECG 2e année), chapitre 12 — Estimation · Suites convergentes d'estimateurs
Énoncé
Soit un -échantillon d'espérance et de variance . On pose et . Étudier le biais et la convergence de chacune de ces deux suites d'estimateurs de .
Corrigé
La suite : biaisée mais convergente.
Biais. Par linéarité, , donc le biais vaut : n'est pas sans biais. Il est en revanche asymptotiquement sans biais, puisque .
Convergence. L'ajout d'une constante ne change pas la variance : Les deux hypothèses de la condition suffisante sont réunies — et — donc est une suite convergente d'estimateurs de .
La suite : sans biais mais non convergente.
Biais. pour tout : est un estimateur sans biais de , et cela ne dépend même pas de .
Convergence. pour tout : la variance ne tend pas vers , et la condition suffisante ne s'applique pas. Mieux, on peut conclure négativement : si convergeait en probabilité vers , la dispersion de autour de deviendrait arbitrairement improbable, ce qui est faux puisque la loi de ne change pas avec . Concrètement, est un nombre fixe, strictement positif dès que est assez petit, puisque . Il ne tend donc pas vers : la suite n'est pas convergente.
Ce que les deux exemples démontrent. Absence de biais et convergence sont deux qualités indépendantes : aucune n'entraîne l'autre. Un bon estimateur doit viser juste à la limite et se resserrer — et c'est exactement ce que demande la condition suffisante du cours, qui exige les deux.
Les autres exercices de ce chapitre Le cours du chapitre
Un blocage sur cet exercice ? Le tuteur d'Adloun guide par questions, sans donner la réponse.